Rectified Flow
PulseAugur coverage of Rectified Flow — every cluster mentioning Rectified Flow across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的最优自蒸馏方法改进了生成模型训练
研究人员为流（RF）模型开发了一种称为最优自蒸馏（SD）的方法，旨在改进生成模型训练。该技术涉及在真实 RF 速度和次优教师速度的混合物上训练学生模型。该研究提供了一个理论框架，推导了一个最优混合系数和一个避免广泛网格搜索的验证程序。实验表明，与现有方法相比，这种最优自蒸馏提高了速度估计、模式恢复和生成准确性。
-
新研究推动了Rectified Flow和Flow Matching生成模型 · 跟踪10个来源
研究人员正在Rectified Flow (RF) 和 Flow Matching (FM) 生成模型的框架内探索新方法。一种方法，Self-Consistent Flow (SC-Flow)，统一了速度和端点预测，以稳定训练并提高生成质量。另一个研究领域侧重于理解和减轻RF模型中的记忆问题，并开发了新的指标来检测隐私风险。此外，还引入了Velocity Scheduled Flow Matching (VSFM) 等技术，通过在推理…
-
FlowUpscaler 为 Flux.2 提供快速的潜在图像放大
一种名为 FlowUpscaler 的新型潜在放大模型已被开发用于 Flux.2 及其 Klein 变体。该模型采用 Rectified Flow 方法，能够以仅 8 毫秒的速度将图像从 512x512 放大到 1024x1024。它通过流蒸馏模仿 Flux.2 轨迹进行训练，并提供 ComfyUI 节点以集成到现有工作流程中。
-
生成模型适配用于更快的有损压缩
研究人员开发了一种新颖的方法，将少步生成模型适配于有损压缩任务。通过利用反向信道编码（RCC）等框架，像Rectified Flow、Consistency Trajectory Models（CTM）和MeanFlow这样的模型可以被重新用作编解码器。这种方法可以缩短编码和解码时间，尤其是在低比特率场景下，并且无需重新训练模型即可提高真实感。
-
用户蒸馏流匹配模型以实现更快、无CFG的图像生成
一位用户开发了一种将流匹配模型蒸馏为“校正流”模型的方法，从而能够以更少的步骤且无需分类器自由引导（CFG）来更快地生成图像。此过程涉及在模型生成的图像-噪声对上对训练好的流匹配模型进行微调。该技术旨在缩短和拉直生成路径，可能允许更快的推理，并通过将其烘焙到模型中来消除对CFG的需求。
-
新GMF方法提升多模态融合可信度
研究人员开发了一种名为基于几何的多模态融合（GMF）的新方法，以提高结合来自多个来源数据的系统的可信度。与依赖模型自身置信度的现有方法不同，GMF通过测量潜在空间中所需的修正来评估数据可靠性。该方法使用扩散薛定谔桥传输来量化输入数据所需的调整量，即使模型自信地出错也能标记不可靠的输入。实验表明，与传统的基于置信度的基线相比，GMF在对抗传感器噪声和冲突数据方面显著增强了鲁棒性。
-
研究人员使用校正流而非扩散模型重新思考基于文本的分割
研究人员开发了RLFSeg，一个利用校正流进行基于文本的图像分割的新框架。该方法旨在通过学习从图像到分割掩码的直接映射来改进扩散模型，绕过了生成过程。据报道，该框架在零样本场景下实现了更高的准确性，并通过标签细化和自适应采样即使在单次推理步骤中也能提高性能。
-
LangPrecip 利用语言提高天气预报的准确性
研究人员开发了 LangPrecip，一个将气象文本与雷达数据相结合的短期降水临近预报新框架。这种语言感知方法将天气文本描述视为降水演变的语义约束，提高了预报的物理一致性。该方法已显示出显著的收益，在基准数据集上，在 80 分钟的预报时效内，强降雨 CSI 提高了 60% 以上。